CN110596049A - 一种光谱速测烟草叶片中磷含量的方法 - Google Patents

一种光谱速测烟草叶片中磷含量的方法 Download PDF

Info

Publication number
CN110596049A
CN110596049A CN201910878037.7A CN201910878037A CN110596049A CN 110596049 A CN110596049 A CN 110596049A CN 201910878037 A CN201910878037 A CN 201910878037A CN 110596049 A CN110596049 A CN 110596049A
Authority
CN
China
Prior art keywords
tobacco
spectral
tobacco leaves
phosphorus content
content
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201910878037.7A
Other languages
English (en)
Inventor
达布希拉图
彭银
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Yunnan New Soil Agricultural Technology Co Ltd
Yunnan Agricultural University
Original Assignee
Yunnan New Soil Agricultural Technology Co Ltd
Yunnan Agricultural University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Yunnan New Soil Agricultural Technology Co Ltd, Yunnan Agricultural University filed Critical Yunnan New Soil Agricultural Technology Co Ltd
Priority to CN201910878037.7A priority Critical patent/CN110596049A/zh
Publication of CN110596049A publication Critical patent/CN110596049A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
    • G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
    • G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
    • G01N21/314—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry with comparison of measurements at specific and non-specific wavelengths
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
    • G01N21/55—Specular reflectivity
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
    • G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
    • G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
    • G01N21/314—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry with comparison of measurements at specific and non-specific wavelengths
    • G01N2021/3148—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry with comparison of measurements at specific and non-specific wavelengths using three or more wavelengths
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N2021/8466—Investigation of vegetal material, e.g. leaves, plants, fruits
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2201/00—Features of devices classified in G01N21/00
    • G01N2201/12—Circuits of general importance; Signal processing
    • G01N2201/129—Using chemometrical methods
    • G01N2201/1293—Using chemometrical methods resolving multicomponent spectra

Landscapes

  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)

Abstract

本发明涉及一种光谱速测烟草叶片中磷含量的方法，通过一元二次函数形式建立烟草叶片磷含量估测模型对烟草叶片中磷含量进行拟合，其中，烟草叶片中磷含量拟合度最高的拟合模型为以光谱反射率为输入变量建立的方程y＝1.997x2+5.714x‑0.801、以光谱反射率一阶导数为输入变量建立的方程y＝‑232.4x2+22.42x+0.804和以烟草叶片光谱黄边幅值为输入变量建立的方程y＝‑54.81x2‑41.98x‑7.224。该方法使用光谱诊断分析技术对烟草叶片进行营养诊断，用以建立烟草叶片的光谱营养诊断模型，预测烟草叶片作物营养状况，指导烟草叶片作物的精准施肥。

Description

一种光谱速测烟草叶片中磷含量的方法
技术领域
本发明涉及一种光谱速测烟草叶片中磷含量的方法，属于对烟草叶片磷素营养诊断技术领域。
背景技术
我国农用化肥施用量从1998年的4084万吨逐年增长至2017年的农用化肥施用量5859.41万吨，平均每亩化肥施用量从1998年的17.49千克增长至2017年的23.48千克，二十年间农用化肥施用总量增长了43.5％，亩施用量增长了34.25％，而农业播种总面积仅增长了6.82％，这种增长的不平衡性主要是农民为追求产量，不按作物需肥规律过量的施用化肥造成的。这种传统的施肥方法不仅导致农业生产成本增加、生产资料浪费，同时也带来了耕地质量下降，土壤酸化和盐渍化加剧，流失到环境中的养分使河流湖泊富营养化等一系列的环境问题。解决这一问题的根本在于准确掌握作物各生育期的需肥时间、需肥量等对作物进行精准施肥。
烟草是我国重要经济作物之一，在我国南北各省区广为栽培，在烟草生产中，土壤环境对烟草的生长发育和产量质量有着重要影响。有机质含量适中，富含磷、钾及微量元素的土壤是生产优质烟的重要条件，若土壤中的有机质含量和肥力过低，会导致烟草在生长过程中由于缺乏营养，则长势弱，植株矮小，烟草叶片小而薄，产量质量均较差；若土壤肥力过高，则所生产的烟草叶片肥厚、主脉较粗，蛋白质和烟碱等含氮化合物的含量增加，品质不良。因此，在烟草证种植过程中根据土壤肥力和烟草营养规律进行的精准施肥，能协调烟株营养，直接减少肥料成本投入，间接提高肥料利用率和增加烟农收入，同时解决传统施肥方法带来的一系列环境问题。
对作物进行营养诊断是精准施肥的重要技术支撑。作物营养诊断是通过对作物营养状况进行科学的检测分析，进而对作物生长状况及作物体内养分的丰缺状况进行合理判断的方法，是对作物进行科学施肥的基础条件，是调节农作物与土壤之间氮磷钾等营养物质和能量交换过程的重要手段。植物营养诊断技术主要经历了经验诊断阶段、化学检验诊断阶段和物理方法诊断阶段三个时期。其中传统的经验诊断方法优点是操作简单快速，但缺点是不可复制，要有足够的实践经验，并且误判率较高。而化学诊断方法优点在于诊断结果准确度高，但检测成本较高，检测操作繁琐，检测结果滞后且大部分检测工作需要破坏取样成了化学诊断方法的主要弊端。相对于传统经验诊断和化学诊断，物理诊断规避了前两种诊断方法的缺点，能够快速、准确、无损、实时的监测植物的生长状况，并能得出准确率高的诊断结论。其中光谱诊断分析技术作为物理诊断的重要方法之一，因其检测速度快，准确度高，可复制性强，无破坏性等特点，被广泛用于监测作物生长状况和营养状态等领域。
发明内容
本发明针对背景技术中存在的技术问题，提出了一种光谱速测烟草叶片中磷含量的方法，该方法使用光谱诊断分析技术对烟草叶片进行营养诊断，用以建立烟草叶片的光谱营养诊断模型，预测烟草叶片作物营养状况，指导烟草叶片作物的精准施肥。
本发明提出的一种光谱速测烟草叶片中磷含量的方法，该方法通过一元二次函数形式建立烟草叶片磷含量估测模型对烟草叶片中磷含量进行拟合，其中，烟草叶片中磷含量拟合度最高的拟合模型为以光谱反射率为输入变量建立的方程y＝1.997x2+5.714x-0.801、以光谱反射率一阶导数为输入变量建立的方程y＝-232.4x2+22.42x+0.804和以烟草叶片光谱黄边幅值为输入变量建立的方程y＝-54.81x2-41.98x-7.224。
进一步地，所述烟草叶片磷含量估测模型为以光谱反射率为输入变量的一元二次方程y＝1.997x2+5.714x-0.801。
进一步地，所述光谱反射率为R533，其代表第533nm波段处的光谱反射率。
进一步地，所述第533nm波段为绿光。
进一步地，所述光谱反射率一阶导数为1000*R'750，其代表第750nm波段处的光谱反射率一阶导数。
进一步地，所述第721nm波段为红外光。
进一步地，所述烟草叶片光谱黄边幅值为100*Dy。
本发明方法以指数函数、一元线性函数、对数函数、一元二次函数和幂函数的形式建立烟草叶片磷含量与敏感波段光谱的回归方程，作为烟草叶片磷含量估测模型，结果表明以一元二次函数形式建立的回归方程对烟草磷的拟合度最高。
运用回归方程拟合度、拟合方程的估测值与化学分析值的标准误差和标准差作为对拟合方程估测结果的精密度和离散度评价指标，运用方差分析化学分析值和模型估测值之间的差异性，作为对估测值的准确度评价指标。同时分别对烟草叶片磷含量光谱估测模型估测结果的准确度、精密度和离散度进行综合评价，筛选出烟草叶片磷含量光谱营养诊断最佳估测模型。
附图说明
图1为烟草叶片氮磷钾含量与各波段光谱反射率相关系数。
图2为烟草叶片氮磷钾含量与各波段光谱反射率一阶导数相关系数。
图3各模型对烟草叶片磷含量的估测值与化学分析值对比示意图。
图4各模型对烟草叶片钾含量的估测值与化学分析值对比示意图。
具体实施方式
本发明方法中，Ri：代表第i nm波段处的光谱反射率；R′i：代表第i nm波段处的光谱反射率一阶导数；N：代表氮素；P：代表磷素；K：代表钾素。
通过控制单一元素的供给浓度，得到在该浓度下烟草叶片的光谱特征，构建不同养分浓度叶片的光谱数据库，通过对数据库的分析整理，可以为建立烟草叶片不同元素的估测模型提供数据支撑。为了充分说明本发明方法，做如下试验设计。
1试验设计
试验场地在云南农业大学农场温室大棚中进行，供试烟草品种为云烟87，采用水培方式培育，水培使用的营养液是在Hoagland全素营养液的基础上改进配制得到的营养液，各养分组成如表1。
表1营养液各元素含量
在烟草培育过程中所用的营养液氮素设四个水平分别为N0为0mg/L、N0.5为65mg/L、N1为130mg/L、N1.5为195mg/L；磷素设置四个水平分别为P0为0mg/L、P0.5为20.5mg/L、P1为41mg/L、P1.5为61.5mg/L；钾素设置四个水平分别为K0为0mg/L、K0.5为110.5mg/L、K1为221mg/L、K1.5为331.5mg/L，各处理除控制养分浓度以外，其他养分浓度均为全素水平。试验共设置10个处理，重复6次，共计60株。各处理大量元素浓度如表2。将烟苗移栽至特定的水培装置中，运用增氧泵全天供氧，营养液更换周期为四天。
表2试验处理
2光谱数据的采集
光谱数据采集使用的仪器为美国ASD公司(Analytical spectral devices)的FieldSpec 3光谱仪，其采样间隔1.4nm(350-1000nm)，2nm(1000-2500nm)，光谱分辨率分别为3nm(350-1000nm)，10nm(1000-2500nm)，采用频率10Hz。测定范围为350-2500nm；光源采用与光谱仪配套的卤素灯。运用ASD-fieldspec-3地物光普仪对烟草叶片进行光谱数据采集时，先用标准白板对光谱仪进行校准，再分测定烟草叶片尖部、中部和基部3个部位的光谱数据，并以三个部位光谱数据的均值作为该叶片的光谱数据；采集每采集完一片叶片后做好标记，取回叶片进行室内分析，在采集过程中每采集六片叶片对光谱仪进行白板校准一次；采集的烟叶主要为培育至团棵期和旺长期的烟草各个叶位的烟草叶片。
3叶片氮磷钾含量的测定
将采集完光谱数据的叶片用做好标记牛皮纸袋取回，在试验室，用105℃干燥箱进行杀青处理后，再用75℃烘至恒重，磨碎过筛后放入已做好标记的速封袋内备用。植株叶片用H2SO4-H2O2消煮，将消煮液用开氏定氮仪进行叶片全氮的测定、用钒钼黄比色法进行叶片全磷的测定、用火焰光度计法进行叶片全钾的处测定。
4数据分析
反射光谱及反射光谱一阶导数计算及作图运用的分析软件为ASD-ViewSpecPro；反射光谱与氮磷钾含量相关系数计算运用Excel 2007办公软件；光谱参数与氮磷钾相关性分析运用spss 19数据分析软件。
运用光谱仪采集的烟草叶片光谱数据，按照其光学分类方法可将310-1130nm的光谱分为八个不同光谱区域，各个光谱区域对应的光谱波段如表3。
表3光谱波长范围划分
对叶片的光谱反射率进行一阶求导处理后所得到的光谱一阶导数图上，在蓝光波段(380-525nm)一阶导数的最大值为蓝边幅值记为Db，出现最大值所在波段位置为蓝边位置记为在黄光波段(605-655nm)一阶导数的最大值为黄边幅值记为Dy，出现最大值所在波段位置成为黄边位置记为在红光波段(655-725nm)一阶导数的最大值为红边幅值记为Dr，出现最大值所在波段位置称为红边位置记为
5结果与分析
通过试验共取得975个样本，通过对其全氮含量、全磷含量和全钾含量的统计描述表明，样本全氮含量的平均值为2.382％、全磷含量的平均值0.471％和全钾含量平均值4.263％均在烟草全氮含量、全磷含量和全钾含量的最适含量范围内，各养分指标的偏度值范围为-0.981-0.165，峰度值范围为-0.698-0.981符合正态分布，各养分成分含量的最大值和最小值相差6.404-25.2倍，表明养分含量范围宽泛，具有较好的代表性。各养分数据的标准误差值范围为0.013-0.094，表明各样分指标为弱变异指标。各级养分分级统计描述如表4。
表4数据统计分析
对975个样本的全氮含量、全磷含量和全钾含量按照烟草全量等级进行分类统计描述结果表明，在各级养分含量范围内的样本数据的峰度值和偏度值的绝对值都小于1，均符合正态分布，除了氮素极低水平的最大值和最小值之比为6.192外，其余各养分等级的最大值和最小值之比均在1.1～1.8范围内，表明各等级养分含量范围比较宽泛，基本具有代表性。各养分等级的标准误差在0.004～0.085之间，其中磷素各等级的标准误差在最低在0.004～0.011范围内。各级养分分级统计描述如表5。
表5各养分分级统计描述
不同氮、磷、钾养分水平下，烟叶的反射光谱变化趋势基本相同，即在310-380nm处的紫外光波段，由于首端噪声等原因出现迅速下降且不平稳的反射波，直至蓝光波段的400nm附近出现第一个拐点后，光谱曲线逐渐趋于平稳；在400nm-500nm的蓝光波段出现一个较低且平稳的反射平台，在500nm-525nm的蓝光区出现一个缓慢的爬升，到绿光波段出现第一个反射峰，峰值出现现在550nm左右的波段，随即反射率逐渐下降，在整个黄光波段反射率随着波长的增加一直下降，直到在红光波段的680nm处形成一个较低的反射谷而后反射率迅速爬升，到740nm左右的红外光波段出现又一个拐点，在750nm-1050nm的近红外波段形成一个较高反射平台。烟草叶片整个反射光谱符合绿色植物特有的光谱特征。
可以看出，随着氮素水平的增加烟草叶片在蓝光波段、绿光波段、黄光波段、红光波段和红外光波段的光谱反射率逐渐降低，而在近红外波段的光谱反射率是升高的；对比氮素水平对烟草叶片光谱反射率的影响，不同磷素水平则表现在350-1050nm的整个光谱波段，都表现出反射率随着磷素水平增加而增加；而钾素水平对烟叶的光谱反射率则与不同氮素水平对叶片光谱反射率的影响相反，表现为在蓝光波段、绿光波段、黄光波段、红光波段和红外光波段的光谱反射率随钾素水平升高而增加，在近红外波段的光谱反射率随钾素水平的增加而降低。
通过对光谱反射率进行求导处理，可以消除反射光谱背景和一些系统因素的影响，能够将反射光谱某些重叠区域区分开，便于识别分析。可以得知，不同水平氮、磷、钾含量的烟草叶片光谱反射率的一阶导数光谱走势基本一致；从烟草叶片光谱反射率一阶导数光谱图可以看出，在蓝光波段、绿光波段、黄光波段、红光波段有明显的峰值；不同氮素水平对烟草叶片的蓝边位置、蓝边幅值、绿变位置、绿边幅值、黄边位置、黄边幅值、红边位置、红边幅值都有显著影响。表现为绿峰位置和红边位置随着氮素水平的增加出现明显的“红移”现象，绿边幅值随氮素水平增加而减小，而红边幅值随氮素水平增加而升高。不同磷素水平对烟草叶片的蓝边位置、绿变位置、黄边位置和红边位置的影响较小，但绿峰幅值和红边幅值均随磷素水平增加而升高。而钾素水平对烟草叶片三边指数的影响，则表现在随着钾素水平的增加绿峰幅值和红边幅值降低，而蓝边位置，绿变位置、黄边位置和红边位置的影响较不明确。
由于350nm-380nm的紫外光波段存在较大的噪声干扰，这一波段的反射光谱出现较大的波动，如图1所示，导致这一波段的相关系数也存在了较大的波动，从蓝光波段的380nm附近开始，相关系数表现出平滑的变化趋势。图1为烟草叶片氮磷钾含量与各波段光谱反射率相关系数示意图，是将各烟草叶片的氮素含量、磷素含量和钾素含量分别与各波段的光谱反射率进行相关分析，所得到烟草叶片氮素含量、磷素含量和钾素含量与各波段光谱反射率的相关系数。
整个波段的相关系数表现为叶片氮含量与蓝光、绿光、黄光、红光波段的光谱反射率成负相关，与红外光和近红外光波段的光谱反射率成正相关；叶片磷含量与整个波段的光谱反射率都成正相关；叶片钾含量与蓝光、绿光、黄光、红光波段的光谱反射率成正相关，与红外光和近红外光波段的光谱反射率成负相关。由烟草叶片氮含量与叶片光谱反射率相关系数可以看出，在350-380nm的紫外光波段和380-405nm的蓝光波段烟草叶片的氮含量与光谱反射率成微弱的正相关，在405-420nm的蓝光波段烟草叶片氮含量与光谱反射率成低度负相关，在420-711nm波段的光谱反射率与烟草叶片氮含量成显著负相关；在711-721nm的红光波段，烟草叶片氮含量与光谱反射率成低度负相关，在721nm-727nm叶片氮含量与反射光谱成微弱的负相关，在728nm-730nm烟草叶片氮含量与光谱反射率成微弱正相关，在730nm-780nm烟草叶片氮含量与光谱反射率成低度正相关，在780-997nm的红外光波段，烟草叶片氮含量与光谱反射率成显著正相关。其中相关系数绝对值最高出现在黄光波段的624nm处，相关系数为-0.6942。
由叶片磷含量与光谱反射率相关系数可以看出在350nm-457nm烟草叶片磷含量与光谱反射率显著正相关，但波动较大，图谱不稳定。在447nm-490nm叶片磷含磷量与反射光谱成低度正相关，在490nm-618nm烟草叶片磷含量与光谱反射率成显著正相关，在618nm-690nm烟草叶片磷含量与反射光谱成低度正相关，在690nm-1050nm叶片磷含量与光谱反射率成显著的正相关，其中最高相关系数出现在红外光波段的729nm处，相关系数最高0.796。
由烟草叶片钾含量与光谱反射率相关系数可以看出，在350nm-425nm处，烟草叶片钾含量与反射光谱的相关系数波动较大，从蓝光的425nm光谱反射率与钾含量的相关系数区域平滑。在425nm-714nm波段，烟草叶片钾含量与反射光谱成显著正相关，在714nm-723nm烟草叶片钾含量与光谱反射率成低度正相关，在723nm-737nm烟草叶片钾含量与光谱反射率成微弱的正负相关，在737-1050nm烟草叶片钾含量与光谱反射率微弱的负相关，其中最高相关系数出现在绿光波段的514nm处，相关系数最高为0.720。
通过对各波段光谱反射率与烟草叶片氮磷钾含量相关系数绝对值大小的筛选，以相关系数绝对值的大小为依据，筛选出烟草叶片氮磷钾光谱诊断的敏感波段，结果表明，烟草叶片氮素光谱诊断的敏感波段为蓝光波段的508nm、绿光波段的605nm、黄光波段的624nm、红光波段的693nm、红外光波段的750nm和近红外光波段的935nm；烟草叶片磷素光谱诊断的敏感波段为蓝光波段的391nm、绿光波段的533nm、黄光波段的607nm、红光波段的725nm、红外光波段的729nm和近红外光波段的1004nm；烟草叶片钾素光谱诊断的敏感波段为蓝光波段的514nm、绿光波段的526nm、黄光波段的655nm、红光波段的687nm、红外光波段的726nm和近红外光波段的779nm；烟草叶片氮磷钾光谱诊断敏感波段及其相关系数如表6。
表6各波段光谱反射率相关系数绝对值最高的波段位置
如图2所示为将各烟草叶片的氮素含量、磷素含量和钾素含量分别与各波段的光谱反射率一阶导数进行相关分析，所得到烟草叶片氮素含量、磷素含量和钾素含量与各波段光谱反射率的相关系数。从整个波段的相关系数来看，烟草叶片各波段的光谱反射率一阶导数与叶片氮磷钾含量的相关系数的绝对值在0-0.6之间，且各波段的相关系数变化幅度较大，表现出相关系数曲线不平稳。烟草叶片氮素含量与各波段光谱反射率一阶导数相关系数总体表现为在蓝光和绿光波段成负相关，在黄光波段成正相关，而在红光波段则表现为除677-697nm为负相关外，其余的红光波段都为正相关，在红外波段和近红外波段表现为微弱的相关性，其中相关系数绝对值最高的波段出现在红光波段的709nm处，相关系数为0.603；烟草叶片磷素含量与各波段光谱反射率一阶导数相关系数除蓝光波段和红外光波段有个别波段达到低度相关外，其余各波段光谱反射率一阶导数与烟草叶片磷素含量表现为微弱的相关性，其中相关系数绝对值最大的波段出现在近红外光波段的976nm处，相关系数为-0.391；烟草叶片钾素含量与各波段光谱反射率一阶导数相关系数整体表现为微弱的相关性，但蓝光波段、绿光波段、红光波段、红外光波段都存在个别波段的光谱反射率一阶导数与烟草叶片钾素含量达到低度的相关性，其中相关系数绝对值最高的波段出现在近红外光波段的880nm处，相关系数为-0.402。
通过对各波段光谱反射率一阶导数与烟草叶片氮磷钾含量相关系数绝对值大小的筛选，以相关系数绝对值的大小为依据，筛选出烟草叶片氮磷钾光谱诊断的敏感波段，结果表明，烟草叶片氮素光谱诊断的敏感波段为蓝光波段的440nm、绿光波段的557nm、黄光波段的649nm、红光波段的709nm、红外光波段的726nm和近红外光波段的1000nm；烟草叶片磷素光谱诊断的敏感波段为蓝光波段的458nm、绿光波段的541nm、黄光波段的626nm、红光波段的671nm、红外光波段的750nm和近红外光波段的976nm；烟草叶片钾素光谱诊断的敏感波段为蓝光波段的404nm、绿光波段的539nm、黄光波段的615nm、红光波段的721nm、红外光波段的731nm和近红外光波段的880nm；烟草叶片氮磷钾光谱诊断敏感波段及其相关系数如表7。
表7各波段光谱反射率一阶导数相关系数绝对值最高的波段位置
通过三边参数与烟草叶片氮含量、磷含量、钾含量做相关分析结果表明，烟草叶片全氮含量与绿峰幅值、蓝边面积、红边面积、SDr/SDb和(SDr-SDb)/(SDr+SDb)在0.01水平上显著，而与蓝边幅值、黄边幅值、红边幅值、黄边面积、SDr/SDy和(SDr-SDy)/(SDr+SDy)的相关性不显著；烟草叶片全磷含量与黄边幅值、红边幅值和绿边幅值在0.01水平显著，与蓝边幅值、蓝边面积、SDr/SDy和(SDr-SDb)/(SDr+SDb)在0.05水平上显著，而与黄边面积、红边面积、SDr/SDb和(SDr-SDy)/(SDr+SDy)的相关性不显著；烟草叶片全钾含量与绿峰幅值、蓝边面积、SDr/SDb和(SDr-SDb)/(SDr+SDb)在0.01水平上显著，与红边面积和植被指数(SDr-SDy)/(SDr+SDy)在0.05水平上显著，而与蓝边幅值、黄边幅值和黄边面积的相关性不显著，如表8所示，其中**表示在0.01水平双侧上显著相关，*表示在0.05水平双侧上显著相关。
表8三边参数与叶片氮磷钾含量相关性分析
6烟草叶片磷含量光谱估测模型建立
(1)基于光谱反射率磷素的估测模型
根据烟草叶片磷含量与烟草叶片光谱反射率相关性分析结果，分别在蓝光波段、绿光波段、黄光波段、红光波段、红外光波段和近红外光波段筛选绝对值最大的相关系数所对应的波段的光谱反射率作为输入变量，与叶片磷含量以指数函数、一元线性函数、对数函数、一元二次函数和幂函数的形式建立回归方程，如表9所示。结果表明，烟草叶片磷含量与各敏感波段光谱反射率回归方程的拟合度除了在蓝光和近红外光波段较低外，在绿光、黄光、红光和红外光波段的拟合度都较高，其中以红光波段725nm的光谱反射率为输入变量进行拟合的回归方程拟合度最高，拟合度均大于0.9。
对五种回归方程的拟合形式进行分析结果表明，在各种拟合方程中一元二次拟合形式的拟合度高于其他的拟合形式，其次为一元线性拟合形式。在对烟草磷素拟合方程中，拟合度大于0.95的拟合方程是以绿光的533nm为输入变量，拟合的指数回归方程和一元线性和一元二次回归方程，拟合度分别为0.951、0.960和0.961；和以红光的725nm为输入变量拟合的一元二次回归方程，其拟合度为0.950。
表9基于光谱反射率磷素的估测模型
(2)基于光谱反射率一阶导数磷素的估测模型
根据烟草叶片磷含量与烟草叶片光谱反射率一阶导数相关性分析结果，分别在蓝光波段、绿光波段、黄光波段、红光波段、红外光波段和近红外光波段筛选绝对值最大的相关系数所对应的波段的光谱反射率一阶导数作为输入变量，与叶片磷含量以指数函数、一元线性函数、对数函数、一元二次函数和幂函数的形式建立回归方程，如表10所示。
结果表明，除绿光和红外光的敏感波段光谱反射率一阶导数拟合度较小外，其余各波段敏感光谱反射率一阶导数对烟草叶片磷素的拟合度均大于0.784；对各种拟合形式的分析结果表明烟草叶片光谱反射率一阶导数对烟草叶片磷素的拟合度最高的为一元二次线性拟合方程。其中各回归方程中拟合度大于0.85的拟合方程分别为：为以蓝光的548nm、黄光的626nm、红光波段的671nm和近红外光波段的976nm的光谱反射率一阶导数为输入变量建立的一元线性回归方程和一元二次线性回归方程，拟合度最高的为以黄光的750nm为输入变量建立的一元二次线性方程，其拟合度为0.980。
表10基于光谱反射率一阶导数磷素的估测模型
(3)基于三边参数磷素的估测模型
通过将烟草叶片磷素含量与烟草叶片光谱三边参数进行相关分析，筛选极显著相关的黄边幅值(Dy)、红遍幅值(Dr)和绿峰值(Rg)作为输入变量，以指数函数、一元线性函数、对数函数、一元二次函数和幂函数的形式建立烟草叶片磷素回归方程，如表11所示。结果表明，三边参数对烟草磷素含量的回归方程的拟合度均不高，在五种拟合形式中以一元二次方程形式拟合的方程拟合度均较高，其中以黄边幅值(Dy)作为输入变量时，对烟草磷素含量的拟合度最高，拟合度为0.862；以绿光峰值(Rg)为输入变量的对数形式回归方程的拟合度最低，拟合度为0.234。
表11基于三边参数磷素的回归方程
7烟草叶片钾含量光谱估测模型建立
(1)基于光谱反射率钾素的估测模型
根据烟草叶片钾素含量与烟草叶片光谱反射率相关性分析结果，分别在蓝光波段、绿光波段、黄光波段、红光波段、红外光波段和近红外光波段筛选绝对值最大的相关系数所对应的波段的光谱反射率作为输入变量，与叶片钾含量以指数函数、一元线性函数、对数函数、一元二次函数和幂函数的形式建立回归方程，如表12。结果表明，以蓝光、绿光和黄光波段的敏感波段的光谱反射率为输入变量，建立的叶片钾素回归估测模型的拟合度较其他波段较高。对以各敏感波段为输入变量建立的回归方程分析表明，以一元二次形式建立的回归方程对烟草叶片钾素含量的拟合度较高。拟合对最高的回归方程是以514nm处的光谱反射率为输入变量建立的一元二次方程，其拟合度为0.883，拟合度最低的回归方程是以726nm处的光谱反射率为输入变量建立的对数回归方程，其拟合度为0.370。
表12基于光谱反射率钾素的估测模型
(2)基于光谱反射率一阶导数钾素的估测模型
根据烟草叶片钾含量与烟草叶片光谱反射率一阶导数相关性分析结果，分别在蓝光波段、绿光波段、黄光波段、红光波段、红外光波段和近红外光波段筛选绝对值最大的相关系数所对应的波段的光谱反射率一阶导数作为输入变量，与叶片钾含量以指数函数、一元线性函数、对数函数、一元二次函数和幂函数的形式建立回归方程，如表13。结果表明，以各敏感波段光谱反射率一阶导数与烟草叶片钾含量的拟合度均较高，其中以红光波段建立的叶片钾素回归方程的拟合的最高。拟合度大于0.9的拟合方程是以黄光的615nm、近红外光的880nm的光谱反射率一阶导数为输入变量建立的一元线性回归方程和一元二次线性回归方程，和以绿光的721nm处的光谱反射率一阶导数为输入变量建立的指数回归方程和一元二次回归方程。其中以红光的721nm处的光谱反射率一阶导数为输入变量建立的一元二次回归方程的拟合度最高，拟合度为0.918，以蓝光的404nm处的光谱反射率一阶导数为输入变量建立的对数回归方程拟合度最低，拟合度为0.75。
表13基于光谱反射率一阶导数钾素的估测模型
(3)基于三边参数钾素的估测模型
通过将烟草叶片钾素含量与烟草叶片光谱三边参数进行相关分析，筛选极显著相关的绿峰值(Rg)、蓝边面积(SDb)和植被指数SDr/SDb作为输入变量，以指数函数、一元线性函数、对数函数、一元二次函数和幂函数的形式建立烟草叶片钾素回归方程，如表14。结果表明，三边参数对烟草钾素含量的回归方程的拟合度以蓝边面积(SDb)相对较高，而以植被指数SDr/SDb的拟合度相对较低。对以三边参数为输入变量拟合烟草叶片钾素的回归方程分析结果表明，一元二次线性回归方程对绿峰值(Rg)和蓝边面积(SDb)的拟合度最高，而指数回归模型对植被指数SDr/SDb的拟合对为最高。其中在所有钾素回归方程中，拟合度最高的回归方程是以蓝边面积(SDb)为输入变量建立的一元二次回归方程，其拟合度为0.825，拟合度最低的回归方程是以绿峰值(Rg)为输入变量建立的对数回归方程，其拟合度为0.442。
表14基于三边参数钾素的回归方程
8烟草叶片磷钾含量光谱预测模型评价
基于对烟草叶片光谱反射率、光谱反射率一阶导数和三边参数为输入变量与烟草叶片磷含量和钾含量建立的回归方程分析结果，分别挑选拟合度最高的回归方程作为烟草叶片养分含量的估测模型，如表15。以这6个烟草叶片养分估测模型，分别对54个烟草叶片磷含量和钾含量进行模型估测，通过对模型估测值与化学分析值之间进行统计分析，对养分估测模型的准确度进行评价。
表15烟草叶片大量元素估测模型
(1)模型估测值与化学分析值统计分析
运用烟草磷钾含量估测模型，对54个烟草叶片进行磷含量和钾含量模型估计，将模型估计值与化学分析值进行统计分析，得到如表16所示的结果。结果表明，各诊断模型都能对烟草叶片养分含量进行很好的估测，通过标准误差和标准差的大小对样本磷含量和钾含量各测定方法的测定结果的紧密度和测定值离散程度进行评价。各检测方法对样本磷素检测结果的精密度大小为MP1>化学分析值>MP2>MP3，而各检测方法对样本磷素检测结果的离散程度大小为MP1>化学分析值>MP2>MP3；各检测方法对样本钾素检测结果的精密度大小为MK1>化学分析值>MK2>MK3，而各检测方法对样本钾素检测结果的离散程度大小为MK1>化学分析值>MK2>MK3；对各检测方法测得养分值统计分析的峰值和偏度来看，通过化学分析方法检测的养分含量值的峰值和偏度值的绝对值都小于1，基本满足正太分布。
表16模型预测值与化学分析值统计分析
(2)模型估测值与化学分析值误差分析
如图3和图4所示，通过将54各样本养分含量的化学检测值与模型估测值进行单因素方差分析，各磷素测定方法对样本磷素含量测定结果表明MP1和MP2的预测结果与化学分析方法测定结果没有显著差异，而MP3对样本的磷素含量的预测结果显著高于化学分析结果，说明以533nm处光谱反射率和750nm处的光谱反射率一阶导数为输入变量建立的一元二次方程对烟草叶片磷素的预测结果可以代替化学分析方法对烟草叶片磷素的测定。各钾素测定方法对样本钾素含量测定结果表明MK1和MK2的预测结果与化学分析方法测定结果没有显著差异，而MK3对样本的钾素含量的预测结果显著高于化学分析结果，说明以526nm处光谱反射率和721nm处的光谱反射率一阶导数为输入变量建立的一元二次方程对烟草叶片钾素的预测结果可以代替化学分析方法对烟草叶片钾素的测定。
以上实施例仅用以说明本发明的技术方案，而非对其进行限制；尽管参照前述实施例对本发明进行了详细的说明，对于本领域的普通技术人员来说，仍然可以对前述实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或替换，并不使相应技术方案的本质脱离本发明所要求保护的技术方案的精神和范围。

Claims (7)

1.一种光谱速测烟草叶片中磷含量的方法，其特征在于，所述方法通过一元二次函数形式建立烟草叶片磷含量估测模型对烟草叶片中磷含量进行拟合，其中，烟草叶片中磷含量拟合度最高的拟合模型为以光谱反射率为输入变量建立的方程y＝1.997x2+5.714x-0.801、以光谱反射率一阶导数为输入变量建立的方程y＝-232.4x2+22.42x+0.804和以烟草叶片光谱黄边幅值为输入变量建立的方程y＝-54.81x2-41.98x-7.224。
2.根据权利要求1所述的光谱速测烟草叶片中磷含量的方法，其特征在于，所述烟草叶片磷含量估测模型为以光谱反射率为输入变量的一元二次方程y＝1.997x2+5.714x-0.801。
3.根据权利要求1或2所述的光谱速测烟草叶片中磷含量的方法，其特征在于，所述光谱反射率为R533，其代表第533nm波段处的光谱反射率。
4.根据权利要求3所述的光谱速测烟草叶片中磷含量的方法，其特征在于，所述第533nm波段为绿光。
5.根据权利要求1所述的光谱速测烟草叶片中磷含量的方法，其特征在于，所述光谱反射率一阶导数为1000*R'750，其代表第750nm波段处的光谱反射率一阶导数。
6.根据权利要求5所述的光谱速测烟草叶片中磷含量的方法，其特征在于，所述第721nm波段为红外光。
7.根据权利要求1所述的光谱速测烟草叶片中磷含量的方法，其特征在于，所述烟草叶片光谱黄边幅值为100*Dy。
CN201910878037.7A 2019-09-17 2019-09-17 一种光谱速测烟草叶片中磷含量的方法 Pending CN110596049A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910878037.7A CN110596049A (zh) 2019-09-17 2019-09-17 一种光谱速测烟草叶片中磷含量的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910878037.7A CN110596049A (zh) 2019-09-17 2019-09-17 一种光谱速测烟草叶片中磷含量的方法

Publications (1)

Publication Number Publication Date
CN110596049A true CN110596049A (zh) 2019-12-20

Family

ID=68860524

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910878037.7A Pending CN110596049A (zh) 2019-09-17 2019-09-17 一种光谱速测烟草叶片中磷含量的方法

Country Status (1)

Country Link
CN (1) CN110596049A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113255592A (zh) * 2021-06-25 2021-08-13 成都信息工程大学 枯草光谱识别方法及系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110125477A1 (en) * 2009-05-14 2011-05-26 Lightner Jonathan E Inverse Modeling for Characteristic Prediction from Multi-Spectral and Hyper-Spectral Remote Sensed Datasets
CN103185695A (zh) * 2013-03-19 2013-07-03 华南农业大学 一种基于光谱的烤烟成熟度田间快速判断方法
CN109142238A (zh) * 2018-09-28 2019-01-04 新疆农业大学 一种棉花磷素营养快速诊断方法
CN110069895A (zh) * 2019-05-20 2019-07-30 中国水利水电科学研究院 冬小麦含氮量全生育时段光谱监测模型建立方法
CN110189793A (zh) * 2019-06-04 2019-08-30 河南农业大学 基于高光谱的小麦氮肥生理利用率估测模型构建及不同氮效率小麦品种分类

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110125477A1 (en) * 2009-05-14 2011-05-26 Lightner Jonathan E Inverse Modeling for Characteristic Prediction from Multi-Spectral and Hyper-Spectral Remote Sensed Datasets
CN103185695A (zh) * 2013-03-19 2013-07-03 华南农业大学 一种基于光谱的烤烟成熟度田间快速判断方法
CN109142238A (zh) * 2018-09-28 2019-01-04 新疆农业大学 一种棉花磷素营养快速诊断方法
CN110069895A (zh) * 2019-05-20 2019-07-30 中国水利水电科学研究院 冬小麦含氮量全生育时段光谱监测模型建立方法
CN110189793A (zh) * 2019-06-04 2019-08-30 河南农业大学 基于高光谱的小麦氮肥生理利用率估测模型构建及不同氮效率小麦品种分类

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
胡珊珊: "基于高光谱的铁观音氮磷钾含量估算模型的建立", 《中国优秀硕士学位论文全文数据库 工程科技Ⅰ辑》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113255592A (zh) * 2021-06-25 2021-08-13 成都信息工程大学 枯草光谱识别方法及系统
CN113255592B (zh) * 2021-06-25 2021-11-19 成都信息工程大学 枯草光谱识别方法及系统

Similar Documents

Publication Publication Date Title
CN109187441B (zh) 基于冠层光谱信息的夏玉米含氮量监测模型的构建方法
CN105445229B (zh) 基于氮平衡光谱法的小麦春季氮肥施用方法及其追氮量模型的构建方法
CN110376167A (zh) 基于无人机高光谱的水稻叶片氮含量监测方法
CN110596048A (zh) 一种光谱速测烟草叶片中钾含量的方法
CN110082309B (zh) 冬小麦冠层spad值综合光谱监测模型建立方法
CN104408307A (zh) 田间小麦白粉病发病程度的快速监测方法及其监测模型的构建方法
US20230078617A1 (en) A method for assessing nitrogen nutritional status in plants by visible-to-shortwave infrared reflectance spectroscopy of carbohydrates
CN110069895B (zh) 冬小麦含氮量全生育时段光谱监测模型建立方法
CN110189793A (zh) 基于高光谱的小麦氮肥生理利用率估测模型构建及不同氮效率小麦品种分类
Li et al. Leaf positions of potato suitable for determination of nitrogen content with a SPAD meter
CN106908408A (zh) 一种多花黑麦草粗蛋白含量的测定方法
CN104778349B (zh) 一种用于水稻表土氮肥施用等级评定方法
CN111912793A (zh) 利用高光谱测量烟草中镉含量的方法及预测模型的建立
CN106770019A (zh) 一种多花黑麦草可溶性糖含量的测定方法
Brambilla et al. Application of a low-cost RGB sensor to detect basil (Ocimum basilicum L.) nutritional status at pilot scale level
CN108401634B (zh) 一种大棚鲜食番茄氮素营养诊断及推荐施氮方法
Rongting et al. Nondestructive estimation of bok choy nitrogen status with an active canopy sensor in comparison to a chlorophyll meter
CN111426645A (zh) 一种快速测定植株不同器官氮含量的方法
CN115479902A (zh) 基于波长的叶绿素含量测定模型构建方法及其系统
Xie et al. Spectral reflectance response to nitrogen fertilization in field grown corn
Guo et al. Estimation of foliar nitrogen of rubber trees using hyperspectral reflectance with feature bands
CN109142238B (zh) 一种棉花磷素营养快速诊断方法
CN110596049A (zh) 一种光谱速测烟草叶片中磷含量的方法
CN107796779A (zh) 橡胶树叶片氮素含量的近红外光谱诊断方法
CN106404699A (zh) 一种梨树叶片氮素含量的无损测量方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination